কনটেন্টে যান

VGGT-1B

ইন্টিগ্রেট করুন

মডেল id vggt-1b
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/vggt-1b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

প্রতি রান সর্বোচ্চ ১.৭৫৫$ পর্যন্ত প্রকৃত ব্যবহার অনুযায়ী চার্জ করা হয়, বাকি অর্থ ফেরত দেওয়া হয় এই পেজে চালান

API কী পান
Meta ভিশন

সর্বোচ্চ 48টি ছবি বা একটি ভিডিও থেকে 3D দৃশ্য পুনর্গঠন করে, এবং ডেপথ ম্যাপ, ক্যামেরা পোজ ও একটি পয়েন্ট ক্লাউড ফেরত দেয়

Meta · ডেটা (JSON)

আপনার প্রথম ফলাফল এখানে আসবে

নিচে একটি রিকোয়েস্ট তৈরি করে আপনার API কী দিয়ে চালান। আউটপুট আমাদের স্টোরেজে কপি করা হয়, চিরকাল বা বিনামূল্যে ৭ দিন পর্যন্ত রাখা হয়।

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

অ্যাডভান্সড images · video · alpha_blend_onto · array_encoding · frame_sampling_rate · confidence_percentile · max_points · export_prediction_data · export_depth_maps · export_point_cloud · enable_safety_checker · exclude_keys
image_urls
একটি ফাইল ড্রপ করুন, অথবা · 48 পর্যন্ত

পুনর্গঠনের উৎস ছবি; প্রতিটি ছবিকে বর্গাকারে প্যাড করে দীর্ঘতম মাত্রা 518 পিক্সেলে রিসাইজ করা হয়। JPEG, PNG, WEBP এবং Pillow ডিকোড করতে পারে এমন অতিরিক্ত যেকোনো ছবি ফরম্যাট গ্রহণযোগ্য।

video_url
একটি ফাইল ড্রপ করুন, অথবা

ঐচ্ছিক উৎস ভিডিও, যার স্যাম্পল করা ফ্রেমগুলো সম্মিলিত ইনপুটে image_urls-এর পরে অনুসরণ করে। প্রতি `frame_sampling_rate`-তম ফ্রেম স্যাম্পল করা হয়; প্রথম ও শেষ ফ্রেম সবসময় অন্তর্ভুক্ত থাকে।

alpha_blend_onto ডিফল্ট white

Alpha-channel ব্যবস্থাপনার চারটি বিকল্প রয়েছে: 'keep' মূল পিক্সেল মান পরিবর্তন না করে alpha সরিয়ে দেয়; 'mean' ImageNet mean RGB-এর বিপরীতে কম্পোজিট করে। একরঙা ব্যাকগ্রাউন্ডের জন্য সংশ্লিষ্ট রঙের বিপরীতে কম্পোজিট করতে 'white' বা 'black' নির্বাচন করুন।

array_encoding ডিফল্ট base64

প্রেডিকশন JSON ফাইলের অ্যারে স্টোরেজ ফরম্যাট; 'list' 'base64'-এর তুলনায় অনেক বেশি জায়গা নেয়। নেস্টেড JSON তালিকার জন্য 'list', অথবা {data, shape, dtype} ধারণকারী অবজেক্টের জন্য 'base64' বেছে নিন।

ডিফল্ট 24

শুধুমাত্র `video_url`-এর মাধ্যমে ভিডিও দেওয়া হলে প্রযোজ্য ফ্রেমের ব্যবধান; অন্যথায় এর কোনো প্রভাব নেই। ব্যবধান যাই হোক, উভয় সীমানার ফ্রেম রাখা হয় এবং মাঝখানে প্রতি n-তম ফ্রেম স্যাম্পল করা হয়।

ডিফল্ট 50

পয়েন্ট-ক্লাউড তৈরির জন্য কনফিডেন্স-ভিত্তিক ফিল্টারিং শতাংশ: 0 ফিল্টারিং নিষ্ক্রিয় করে, আর অন্যান্য মান কম কনফিডেন্সের পয়েন্ট থেকে শুরু করে ওই শতাংশ পয়েন্ট বাদ দেয়।

ডিফল্ট 250000

GLB পয়েন্ট-সংখ্যার সীমা, ডিফল্ট 250,000। সিরিয়ালাইজেশন ও আপলোডের লেটেন্সি কম রাখতে, ক্লাউড এই বাজেট ছাড়িয়ে গেলে সমানভাবে সাবস্যাম্পল করা নির্বাচন লেখা হয়।

প্রতিটি প্রেডিকশন JSON ফাইল থেকে বাদ দেওয়া কীসমূহ।

POST /run/vggt-1b?wait=20 মূল্য → ১.৭৫৫$
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/vggt-1b?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{}'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

VGGT-1B সম্পর্কে

একাধিক ভিউ থেকে জ্যামিতি অনুমান করে। `image_urls`-এ সর্বোচ্চ 48টি ছবি দিন, চাইলে প্রতি `frame_sampling_rate` ফ্রেম অন্তর স্যাম্পল করা একটি `video_url` যোগ করুন। এটি প্রতি-ফ্রেম ডেপথ ম্যাপ, ক্যামেরা বহির্পরামিতি ও অন্তঃপরামিতি, কাঁচা পূর্বানুমান ফাইল এবং ক্যামেরা cone-সহ একটি GLB point cloud ফেরত দেয়। `confidence_percentile` এবং `max_points` point cloud-এর ঘনত্ব নিয়ন্ত্রণ করে।

প্যারামিটার

ক্যানোনিকাল নাম অথবা নেটিভ নাম—দুটো একসঙ্গে নয়—পাঠান। ক্যানোনিকাল নামগুলো

নামধরন ডিফল্টঅনুমোদিত বিবরণ
image_urlsঐচ্ছিক images
ধরনurl[] · image
≤ ৪৮টি আইটেম
পুনর্গঠনের উৎস ছবি; প্রতিটি ছবিকে বর্গাকারে প্যাড করে দীর্ঘতম মাত্রা 518 পিক্সেলে রিসাইজ করা হয়। JPEG, PNG, WEBP এবং Pillow ডিকোড করতে পারে এমন অতিরিক্ত যেকোনো ছবি ফরম্যাট গ্রহণযোগ্য।
video_urlঐচ্ছিক video
ধরনurl · video
ঐচ্ছিক উৎস ভিডিও, যার স্যাম্পল করা ফ্রেমগুলো সম্মিলিত ইনপুটে image_urls-এর পরে অনুসরণ করে। প্রতি `frame_sampling_rate`-তম ফ্রেম স্যাম্পল করা হয়; প্রথম ও শেষ ফ্রেম সবসময় অন্তর্ভুক্ত থাকে।
frame_sampling_rateঐচ্ছিক
ধরনinteger
ডিফল্ট24
১ – ১,০০০
শুধুমাত্র `video_url`-এর মাধ্যমে ভিডিও দেওয়া হলে প্রযোজ্য ফ্রেমের ব্যবধান; অন্যথায় এর কোনো প্রভাব নেই। ব্যবধান যাই হোক, উভয় সীমানার ফ্রেম রাখা হয় এবং মাঝখানে প্রতি n-তম ফ্রেম স্যাম্পল করা হয়।
alpha_blend_ontoঐচ্ছিক
ধরনenum
ডিফল্টwhite
keepwhiteblackmean
Alpha-channel ব্যবস্থাপনার চারটি বিকল্প রয়েছে: 'keep' মূল পিক্সেল মান পরিবর্তন না করে alpha সরিয়ে দেয়; 'mean' ImageNet mean RGB-এর বিপরীতে কম্পোজিট করে। একরঙা ব্যাকগ্রাউন্ডের জন্য সংশ্লিষ্ট রঙের বিপরীতে কম্পোজিট করতে 'white' বা 'black' নির্বাচন করুন।
export_prediction_dataঐচ্ছিক
ধরনboolean
ডিফল্টtrue
পৃথক ফ্রেমের জন্য কাঁচা পূর্বাভাস আলাদা JSON ফাইল হিসেবে এক্সপোর্ট করুন। প্রতিটি ফাইলে depth ও তার confidence, একটি mask এবং এনকোড করা camera pose থাকে।
export_depth_mapsঐচ্ছিক
ধরনboolean
ডিফল্টtrue
`depth_range`-কে পিক্সেল মান 0–65535-এ লিনিয়ার ম্যাপিং করে depth raster এক্সপোর্ট করুন। প্রতিটি ফ্রেমের জন্য 16-bit precision-সহ একটি পৃথক grayscale PNG তৈরি হয়।
export_point_cloudঐচ্ছিক
ধরনboolean
ডিফল্টtrue
GLB ফরম্যাটে fused colored point cloud এক্সপোর্ট করুন; আনুমানিক ক্যামেরাগুলো দৃশ্যে পৃথক cone mesh হিসেবে উপস্থাপিত হয়।
array_encodingঐচ্ছিক
ধরনenum
ডিফল্টbase64
base64list
প্রেডিকশন JSON ফাইলের অ্যারে স্টোরেজ ফরম্যাট; 'list' 'base64'-এর তুলনায় অনেক বেশি জায়গা নেয়। নেস্টেড JSON তালিকার জন্য 'list', অথবা {data, shape, dtype} ধারণকারী অবজেক্টের জন্য 'base64' বেছে নিন।
exclude_keysঐচ্ছিক
ধরনenum[]
প্রতিটি প্রেডিকশন JSON ফাইল থেকে বাদ দেওয়া কীসমূহ।
confidence_percentileঐচ্ছিক
ধরনnumber
ডিফল্ট50
০ – ১০০
পয়েন্ট-ক্লাউড তৈরির জন্য কনফিডেন্স-ভিত্তিক ফিল্টারিং শতাংশ: 0 ফিল্টারিং নিষ্ক্রিয় করে, আর অন্যান্য মান কম কনফিডেন্সের পয়েন্ট থেকে শুরু করে ওই শতাংশ পয়েন্ট বাদ দেয়।
max_pointsঐচ্ছিক
ধরনinteger
ডিফল্ট250000
১,০০০ – ৫০,০০,০০০
GLB পয়েন্ট-সংখ্যার সীমা, ডিফল্ট 250,000। সিরিয়ালাইজেশন ও আপলোডের লেটেন্সি কম রাখতে, ক্লাউড এই বাজেট ছাড়িয়ে গেলে সমানভাবে সাবস্যাম্পল করা নির্বাচন লেখা হয়।
enable_safety_checkerঐচ্ছিক
ধরনboolean
ডিফল্টtrue
ইনপুট ছবি ও ভিডিওর নিরাপত্তা যাচাই টগল।
আবশ্যক ক্যানোনিকাল নাম, এটিও গ্রহণযোগ্য

ফাইল প্যারামিটার হিসেবে একটি পাবলিক https:// URL, 10 MB পর্যন্ত একটি data: URI, অথবা আপলোডের file_url গ্রহণ করা হয়। ফাইল

আউটপুট

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "vggt-1b",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 1755,
    "usd": "1.755",
    "charged": 1755,
    "refunded": 0
  },
  "input": {},
  "output": {
    "point_cloud": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "depth_maps": [
      {
        "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
        "content_type": "image/jpeg",
        "file_name": "0-output.jpeg",
        "file_size": 1843200,
        "width": 1024,
        "height": 768
      }
    ],
    "prediction_data": [
      {
        "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
        "content_type": "image/jpeg",
        "file_name": "0-output.jpeg",
        "file_size": 1843200
      }
    ],
    "num_frames": 1,
    "depth_range": [
      1.0
    ],
    "extrinsics": [
      [
        [
          1.0
        ]
      ]
    ],
    "intrinsics": [
      [
        [
          1.0
        ]
      ]
    ],
    "timings": {}
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
point_cloud
object {url, content_type, file_name, file_size} | null`export_point_cloud` true হলে পয়েন্ট-ক্লাউড এক্সপোর্ট ফেরত দেওয়া হয়; এর GLB দৃশ্যে ক্যামেরা কোনের সঙ্গে ফিউজ করা ক্লাউড থাকে।
depth_maps
array of object {url, content_type, file_name, file_size, width, height}`export_depth_maps` true হলে ডেপথ-ম্যাপ এক্সপোর্ট পাওয়া যায়। এন্ট্রিগুলো সোর্স ফ্রেমের ক্রম অনুসরণ করে, প্রতিটি ফ্রেম 16-বিট ডেপথের গ্রেস্কেল PNG রাস্টার হিসেবে উপস্থাপিত হয়।
prediction_data
array of object {url, content_type, file_name, file_size}র’ প্রেডিকশন এক্সপোর্ট: `export_prediction_data` true হলে প্রতিটি ফ্রেমের নিজস্ব JSON ফাইল থাকে এবং ফাইলগুলো ফ্রেমের ক্রম অনুসরণ করে।
num_frames
integerপুনর্গঠিত মোট ফ্রেম সংখ্যা, এতে ছবি ও ভিডিও থেকে স্যাম্পল করা ফ্রেম অন্তর্ভুক্ত।
depth_range
array of number`depth_maps` কোয়ান্টাইজেশনে ব্যবহৃত ডেপথের সীমা [min, max]। min + pixel * (max - min) / 65535 হিসেবে ডেপথ পুনরুদ্ধার করুন।
extrinsics
array of array of array of numberপ্রতিটি ফ্রেমের জন্য 3x4 আকারের ক্যামেরা-টু-ওয়ার্ল্ড এক্সট্রিনসিক ম্যাট্রিক্স; OpenCV অক্ষগুলো x বরাবর ডানে, y বরাবর নিচে এবং z বরাবর সামনে নির্দেশ করে।
intrinsics
array of array of array of numberপ্রতিটি ফ্রেমের জন্য 3x3 আকারের পিনহোল ইন্ট্রিনসিক ম্যাট্রিক্স, মডেলের 518x518 ফ্রেমের পিক্সেল স্থানাঙ্কে প্রকাশিত।
timings
objectপ্রতিটি ধাপের অতিবাহিত ওয়াল-ক্লক সময়, সেকেন্ডে।

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/vggt-1b.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt